論文の概要: Digitization of Raster Logs: A Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2210.05597v1
- Date: Tue, 11 Oct 2022 16:34:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 17:03:54.782398
- Title: Digitization of Raster Logs: A Deep Learning Approach
- Title（参考訳）: ラスターログのデジタル化:深層学習アプローチ
- Authors: M Quamer Nasim, Narendra Patwardhan, Tannistha Maiti and Tarry Singh
- Abstract要約: ラスターウェルログは、黒(ゼロ)と白(ピクセル)の長方形の配列でログイメージのビットマップを表す。
これらのログをデジタル化するには、手作業と時間を要するだけでなく、隠された技術的負債を持つ高価なデジタイザを購入する必要がある。
本稿では,背景格子から画像を意味的に分割し,ウェルログ曲線をデジタル化する,VeerNetと呼ばれるディープニューラルネットワークアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 0.802904964931021
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Raster well-log images are digital representations of well-logs data
generated over the years. Raster digital well logs represent bitmaps of the log
image in a rectangular array of black (zeros) and white dots (ones) called
pixels. Experts study the raster logs manually or with software applications
that still require a tremendous amount of manual input. Besides the loss of
thousands of person-hours, this process is erroneous and tedious. To digitize
these raster logs, one must buy a costly digitizer that is not only manual and
time-consuming but also a hidden technical debt since enterprises stand to lose
more money in additional servicing and consulting charges. We propose a deep
neural network architecture called VeerNet to semantically segment the raster
images from the background grid and classify and digitize the well-log curves.
Raster logs have a substantially greater resolution than images traditionally
consumed by image segmentation pipelines. Since the input has a low
signal-to-resolution ratio, we require rapid downsampling to alleviate
unnecessary computation. We thus employ a modified UNet-inspired architecture
that balances retaining key signals and reducing result dimensionality. We use
attention augmented read-process-write architecture. This architecture
efficiently classifies and digitizes the curves with an overall F1 score of 35%
and IoU of 30%. When compared to the actual las values for Gamma-ray and
derived value of Gamma-ray from VeerNet, a high Pearson coefficient score of
0.62 was achieved.
- Abstract（参考訳）: raster well-logイメージは、長年にわたって生成された well-logs データのデジタル表現である。
ラスターデジタルウェルログは、ピクセルと呼ばれる黒(ゼロ)と白(ワン)の長方形の配列でログ画像のビットマップを表す。
専門家はラスタログを手動で、あるいは大量の手入力を必要とするソフトウェアアプリケーションで調べる。
何千人もの人的時間を失うことに加えて、このプロセスは誤りで退屈です。
これらのラスターログをデジタイズするには、手作業や時間を消費するだけでなく、追加のサービテーションやコンサルティングの費用でより多くのお金を失わなければならないため、隠れた技術的負債も買い取らなければならない。
本稿では,背景グリッドからラスター画像を意味的にセグメンテーションし, well-log曲線を分類・デジタル化するveernetと呼ばれるディープニューラルネットワークアーキテクチャを提案する。
rasterログは、従来のイメージセグメンテーションパイプラインで消費されるイメージよりもはるかに大きな解像度を持つ。
入力は信号対解像度比が低いため、不要な計算を緩和するために急激なダウンサンプリングが必要となる。
キー信号の保持と結果の寸法の低減を両立するUNetアーキテクチャを改良した。
我々は、追加の読み書きアーキテクチャを使用する。
このアーキテクチャは、曲線の分類とデジタル化を効率よく行い、全体的なF1スコアは35%、IoUは30%である。
ガンマ線の実値とVeerNetのガンマ線の導出値と比較すると,ピアソン係数スコア0.62が得られた。
関連論文リスト
- Splatter Image: Ultra-Fast Single-View 3D Reconstruction [67.96212093828179]
Splatter ImageはGaussian Splattingをベースにしており、複数の画像から3Dシーンを高速かつ高品質に再現することができる。
テスト時に38FPSでフィードフォワードで再構成を行うニューラルネットワークを学習する。
いくつかの総合、実、マルチカテゴリ、大規模ベンチマークデータセットにおいて、トレーニング中にPSNR、LPIPS、その他のメトリクスでより良い結果を得る。
論文 参考訳（メタデータ） (2023-12-20T16:14:58Z) - Practical cross-sensor color constancy using a dual-mapping strategy [0.0]
提案手法では,D65条件下では,テストセンサからの単純な白点のみを必要とする。
第2のマッピングフェーズでは、再構成された画像データをスパースに変換し、軽量な多層パーセプトロン(MLP)モデルで最適化する。
このアプローチは、センサの相違を効果的に低減し、主要なクロスセンサー手法と同等の性能を提供する。
論文 参考訳（メタデータ） (2023-11-20T13:58:59Z) - Fourier-Net+: Leveraging Band-Limited Representation for Efficient 3D
Medical Image Registration [62.53130123397081]
U-Netスタイルのネットワークは、高密度変位場を予測するために、教師なし画像登録に一般的に利用される。
まず,コストのかかるU-Netスタイルの拡張パスをパラメータフリーモデル駆動デコーダに置き換えるFourier-Netを提案する。
次に、Fourier-Net+を導入し、さらに画像の帯域制限空間表現を入力とし、U-Netスタイルのネットワークの収縮経路における畳み込み層の数を減少させる。
論文 参考訳（メタデータ） (2023-07-06T13:57:12Z) - Rapid-INR: Storage Efficient CPU-free DNN Training Using Implicit Neural Representation [7.539498729072623]
Implicit Neural Representation (INR) は、複雑な形状や物体を、その形状や表面構造を明確に定義せずに表現するための革新的なアプローチである。
従来の研究では、画像圧縮のINRとしてニューラルネットワークを使用することの有効性が実証されており、JPEGのような従来の手法に匹敵する性能を示している。
本稿では、画像のエンコーディングと圧縮にINRを利用する新しいアプローチであるRapid-INRを紹介し、コンピュータビジョンタスクにおけるニューラルネットワークトレーニングを高速化する。
論文 参考訳（メタデータ） (2023-06-29T05:49:07Z) - Scalable Adaptive Computation for Iterative Generation [13.339848496653465]
リカレントインタフェースネットワーク(Recurrent Interface Networks, RIN)は、データ次元からコア計算を分離するアテンションベースのアーキテクチャである。
RINは、潜在トークンとデータトークンの間の情報の読み込みと書き込みにクロスアテンションを使用する、潜在トークンのセットに計算の大部分を集中する。
RINは、画像生成とビデオ生成のための最先端のピクセル拡散モデルを生成し、カスケードやガイダンスなしで1024X1024画像にスケーリングする。
論文 参考訳（メタデータ） (2022-12-22T18:55:45Z) - Fourier-Net: Fast Image Registration with Band-limited Deformation [16.894559169947055]
教師なし画像登録では、全解像度空間領域における密度変位場を予測するためにU-Netスタイルのネットワークが一般的である。
本稿では,パラメータフリーモデル駆動デコーダを用いて,U-Netスタイルネットワークにおける拡張パスを置き換えるフーリエネットを提案する。
論文 参考訳（メタデータ） (2022-11-29T16:24:06Z) - Learning Weighting Map for Bit-Depth Expansion within a Rational Range [64.15915577164894]
ビット深化(BDE)は、低ビット深化(LBD)ソースから高ビット深化(HBD)画像を表示する新興技術の1つである。
既存のBDEメソッドは、様々なBDE状況に対して統一的なソリューションを持っていない。
我々は,各画素の重みを求めるためにビット復元ネットワーク(BRNet)を設計し,補充値の比率を合理的範囲内で示す。
論文 参考訳（メタデータ） (2022-04-26T02:27:39Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-09-18T00:21:17Z) - CNNs for JPEGs: A Study in Computational Cost [49.97673761305336]
畳み込みニューラルネットワーク(CNN)は過去10年間で驚くべき進歩を遂げてきた。
CNNはRGBピクセルから直接データの堅牢な表現を学習することができる。
近年,圧縮領域から直接学習できる深層学習手法が注目されている。
論文 参考訳（メタデータ） (2020-12-26T15:00:10Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳（メタデータ） (2020-10-21T20:04:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。